1. •ADAPTACION LOCAL: Los currículos deben adaptarse a las necesidades culturales y sociales de los países latinoamericanos promoviendo una alfabetización en IA equitativa

   
   

2. •ÉTICA Y SEGURIDAD: Se enmarca la importancia de enseñar principios éticos y garantizar el acceso de estas tecnologías para la población en general sin importar su contexto socioeconómico

   
   

3. DESAFÍOS ESPECÍFICOS: cada región cada país enfrenta retos únicos, pero es muy bien conocido la desigualdad que se presenta tan siquiera en el acceso a la luz y la necesidad de tener una infraestructura adecuada y la escasa capacitación en la comunidad escolar sobre la IA

Redes neuronales:

• Son sistemas inspirados en el cerebro humano, diseñados para procesar información de manera similar.

- Ejemplo: Reconocimiento de voz o imágenes.

Aprendizaje profundo (Deep Learning):

Una subcategoría de redes neuronales con muchas capas (deep = profundo) para procesar datos complejos.

- Ejemplo: Traducción automática o generación de imágenes Y en ese ejemplo podemos apreciar como lo hace CHATGPT en modelos transformadores

También conocida como IA basada en reglas, esta técnica utiliza instrucciones definidas como "si-entonces" (if-then) para tomar decisiones. Es adecuada para problemas que pueden resolverse con lógica y reglas predefinidas.
Ejemplo: Un chatbot simple que responde preguntas específicas con respuestas fijas.

2. Aprendizaje Automático (Machine Learning)

Es un subconjunto de la IA en el que las máquinas aprenden a realizar tareas sin ser programadas explícitamente. Lo hacen analizando grandes cantidades de datos y encontrando patrones para hacer predicciones o tomar decisiones.

3. Aprendizaje Supervisado

Un tipo de aprendizaje automático en el que el modelo se entrena con datos etiquetados. El algoritmo aprende a asociar entradas con salidas específicas.
Ejemplo: Un sistema que clasifica correos como "spam" o "no spam" después de ser entrenado con ejemplos etiquetados.

4. Aprendizaje No Supervisado

Aquí, los datos no están etiquetados. El modelo busca patrones o agrupaciones en los datos por sí mismo.
Ejemplo: Agrupación de clientes en categorías según sus hábitos de compra para campañas de marketing.

5. Aprendizaje por Refuerzo

Un enfoque en el que un agente aprende a tomar decisiones interactuando con un entorno y recibiendo recompensas o castigos según su desempeño.

Ejemplo: Un robot que aprende a caminar ajustando su comportamiento con base en las caídas o avances.

6. Redes Neuronales

Son modelos inspirados en el funcionamiento del cerebro humano, compuestos por capas de nodos (o "neuronas"). Procesan información a través de conexiones ponderadas que se ajustan con el aprendizaje.
Ejemplo: Reconocimiento facial en fotos mediante la identificación de rasgos clave.

7. Aprendizaje Profundo (Deep Learning)

Un tipo avanzado de redes neuronales con múltiples capas ocultas que procesan datos complejos y no estructurados, como imágenes o texto.
Ejemplo: Sistemas de traducción automática que convierten texto de un idioma a otro.

8. Redes Generativas Antagónicas (GANs)

Un tipo de aprendizaje profundo donde dos redes neuronales compiten entre sí: una genera datos (generador) y la otra los evalúa (discriminador). Esto se utiliza para crear contenido realista como imágenes o videos.
Ejemplo: Crear imágenes de personas que no existen (proyectos como "This Person Does Not Exist").